Scikit learn 计算管道logistic回归预测sklearn中的概率

我有一个包含3个特性和3个类的数据框架，我将其分为X_-train、Y_-train、X_-test和Y_-test，然后使用PCA、StandardScaler和Logistic回归运行Sklearn的管道。我希望能够直接从LR权重和原始数据计算概率，而不使用预测概率，但不知道如何计算，因为我不确定管道X_测试是如何通过PCA和StandardScaler进入逻辑回归的。在不使用PCA和StandardScaler拟合方法的情况下，这是否现实？任何帮助都将不胜感激

到目前为止，我已经：

pca = PCA(whiten=True)
scaler = StandardScaler()
logistic = LogisticRegression(fit_intercept = True, class_weight = 'balanced', solver = sag, n_jobs = -1, C = 1.0, max_iter = 200)

pipe = Pipeline(steps = [ ('pca', pca), ('scaler', scaler), ('logistic', logistic) ]

pipe.fit(X_train, Y_train)

predict_probs = pipe.predict_proba(X_test)

coefficents = pipe.steps[2][1].coef_ (3 by 30)
intercepts = pipe.steps[2][1].intercept_ (1 by 3)

---

这也是我不明白的问题，谢谢库马尔的回答。

---

我认为管道将导致x_测试的新转换，但当我尝试运行由StandardScalar和LogisticRegression组成的管道，并使用StandardScalar和LogisticRegression运行我自己定义的函数时，我发现管道实际上使用了x_train拟合的变换。所以不用担心使用管道，它真的是一个方便和有用的机器学习工具

X_序列和X_测试必须经过完全相同的转换才能使预测结果正确。使用

管道有什么问题。预测概率（X_测试）

？如果您担心在

管道中，如果您发送
X_测试
，
pca
和
定标器
将再次适合，那么不要担心。只有
transform
会在它们中被调用，并且
logistic
上会调用
predict\u probas
。pipe.predict\u proba（X\u test）的问题是新的测试数据将被手动实时输入，所以我想我只需要一种方法来进行转换。当PCA和scaler变换X_测试时，它只是使用X_序列中的拟合参数，对吗？是的。管道的行为与任何其他估计器一样。对训练数据进行
fit
，对测试数据只调用
predict
或
transform
。在管道上调用
predict\u proba
时，除最后一个之外的所有估计器将只调用
transform
，然后进一步传递数据。最后一个将调用
predict\u proba